GigaGAN
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- POSTECH,Carnegie Mellon University (CMU),Adobe
- Organisationstyp
- Academia,Academia,Industry
- Land
- Korea (Republic of), United States of America
- Veröffentlicht
- 19 June 2023
- Autoren
- Minguk Kang, Jun-Yan Zhu, Richard Zhang, Jaesik Park, Eli Shechtman, Sylvain Paris, Taesung Park
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Image generation
- Aufgabe
- Text-to-image, Image generation
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 1B
- Trainingsdaten
- 1,960,000,000 tokens
1B (Table 2)
[IMAGES] 0.98B of training images (table 2)
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 3.9 × 10²² FLOP
- Wie es etabliert wurde
- Hardware
"GigaGAN and SD-v1.5 require 4,783 and 6,250 A100 GPU days" 312*10^12 FLOP / sec / GPU * 4783 GPU-days * 24 hours / day * 3600 sec / hour * 0.3 [assumed utilization] = 3.8680312e+22 FLOP
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Confident
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Scaling up GANs for Text-to-Image Synthesis
- Zuletzt aktualisiert
- 28 November 2025
Was die Zahlen bedeuten
Über dieses Modell
GigaGAN was published by POSTECH,Carnegie Mellon University (CMU),Adobe, in Korea (Republic of), in June 2023. The organisation is categorised as academia,Academia,Industry.
It works in Image generation, and is recorded as doing text-to-image, Image generation.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie produziert hat, und es gibt keine lokale Version, die ausgeführt werden kann.
Training und Herkunft
Producing it required around 3.9 × 10²² FLOP of arithmetic, which is a statement about the training budget rather than about inference.
Around 1,960,000,000 tokens went into training it.
Antworten
GigaGAN — Häufig gestellte Fragen
How much compute was used to train GigaGAN?
Around 3.9 × 10²² FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run GigaGAN?
None. GigaGAN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is GigaGAN open source?
No. GigaGAN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does GigaGAN have?
GigaGAN has 1B parameters. 1B (Table 2). That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created GigaGAN?
GigaGAN was published by POSTECH,Carnegie Mellon University (CMU),Adobe, based in Korea (Republic of), categorised as academia,Academia,Industry.
When was GigaGAN released?
GigaGAN was published in June 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is GigaGAN used for?
GigaGAN works in Image generation, and is recorded as handling text-to-image, Image generation. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.